Modélisation sensori-motrice des états de transition

Modelisation of the transition’s states during anesthesia

• Auteur / Autrice : Clément Dubost
• Direction : Pierre Paul Vidal, Nicolas Vayatis
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 18/06/2021
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre Borelli (Gif-sur-Yvette, Essonne ; 2020-...)
• Jury : Président / Présidente : Jean-Pierre Tourtier
• Jury : Examinateurs / Examinatrices : Jean-Pierre Tourtier, Dan Benhamou, Pierre-Hervé Luppi, Éric Méaudre, Nikos Paragios
• Jury : Rapporteurs / Rapporteuses : Dan Benhamou, Pierre-Hervé Luppi

Mots clés

Mots clés contrôlés

Algorithmes

Électroencéphalographie

Conscience

Anesthésie

Mots clés libres

Conscience

Anesthésie

Électro-encéphalogramme

Coma

Modélisation

Transition

Sommeil

Consciousness

Anesthesia

Electroencephalogram

Coma

Modelling

Transition

Sleep

Résumé

Les mécanismes neuronaux qui sous-tendent les états de vigilance ont fait l’objet de recherche par plusieurs générations de chercheurs et de médecins mais ils restent encore largement inexpliqués. Par ailleurs, les anesthésistes s’exercent quotidiennement à moduler ces mêmes états de vigilance pour permettre la réalisation d’actes chirurgicaux. Au cours de l’anesthésie, outre la profondeur de la sédation, l’homéostasie des grandes fonctions physiologiques doit être monitorée car elle peut être perturbée. En pratique courante, la surveillance des paramètres cardiorespiratoires et les doses d’anesthésiques injectées sont donc utilisées pour avoir un reflet indirect de la sédation. Dans ce contexte, les travaux de notre thèse ont un double but : premièrement, approfondir les connaissances des mécanismes qui sous-tendent la modulation des états de vigilance ; deuxièmement, rechercher des méthodes qui puissent suivre en temps réel le niveau de conscience des patients au cours de la chirurgie. Pour ce faire, nous avons tenté de complémenter l’évaluation de l’anesthésiste par un algorithme qui permettrait une estimation objective de l’état de conscience à partir du monitorage de données physiologiques hors EEG, à disposition lors des anesthésies en pratique courante. Les conclusions de cet algorithme ont été ensuite comparées à celles fournies par l’anesthésiste et aux données recueillies simultanément par un EEG 32 canaux. L’exploitation de nos bases de données a permis le développement d’un algorithme visant à prédire la profondeur de l’anesthésie sans intégrer les données de l’EEG. Cette méthode, basée sur un modèle caché de Markov, a fait l’objet d’un dépôt de brevet, d’une publication acceptée et d’une autre en cours de soumission. L’algorithme permet de déterminer l’état dans lequel se trouve un patient en cours de chirurgie avec un taux de vrai positif de 75%. Afin d’améliorer ce taux de prédiction, plusieurs voies sont possibles, dont l’intégration de signaux EEG aux données qu’utilisent l’algorithme. Mais dans un contexte de pratique clinique, nous avons déjà mentionné que l’usage d’un EEG multicanaux n’est pas réaliste. Par contre, l’analyse des données issues de 32 canaux EEG au cours d’anesthésies générales, nous a permis de conclure que l’enregistrement d’un seul canal au niveau frontal était suffisant pour discriminer le niveau de profondeur d’anesthésie d’un patient, ce qui a donné lieu à une publication. Le suivi de la modulation des états de conscience des patients anesthésiés que nous avons effectué s’est poursuivi jusqu’à la troisième heure après la fin de l’anesthésie. Notre but était de rechercher à quel moment l’EEG revenait à l’état d’éveil. Nos résultats préliminaires montrent pendant la phase de réveil précoce, des trajectoires de réveil homogènes sur l’ensemble du scalp des patients. Par contre, les 3 heures suivantes étaient marquées par des différences interindividuelles majeures dans la disparition des ondes cérébrales caractéristiques de l’anesthésie. La signification de ces phénomènes n’est pas encore éclaircie et fait l’objet de la poursuite de nos travaux. En conclusion, colliger plusieurs bases de données pendant l‘anesthésie nous a permis d’ouvrir de nouvelles voies de recherche et nos futurs travaux futurs se poursuivront donc autour de trois axes : i) l’amélioration de l’algorithme qui détermine la profondeur de l’anesthésie, ii) la mise en place d’un suivi des patients pendant plusieurs heures après une anesthésie, jusqu’à récupération ad integrum et obtention d’un tracé EEG strictement identique à ce qu’il était avant l’anesthésie, et iii) l’application des nouvelles méthodologies de monitorage de la profondeur de la sédation à la réanimation.

The neural mechanisms underlying states of alertness have been the subject of research by several generations of researchers and physicians, but they remain largely unexplained. Furthermore, anaesthetists practice daily to modulate these same states of alertness to enable surgical procedures to be performed. During anaesthesia, in addition to the depth of sedation, the homeostasis of the major physiological functions must be monitored because it can be disturbed. In current practice, the monitoring of cardiorespiratory parameters and the doses of injected anaesthetics are therefore used to have an indirect reflection of the sedation. In this context, the work of our thesis has a twofold aim: firstly, to deepen the knowledge of the mechanisms underlying the modulation of states of alertness; secondly, to search for methods that can monitor in real time the level of consciousness of patients during surgery. To this end, we have attempted to complement the anaesthetist's assessment with an algorithm that would allow an objective estimation of the state of consciousness from the monitoring of non-EEG physiological data available during anaesthesia in current practice. The conclusions of this algorithm were then compared to those provided by the anaesthetist and to data collected simultaneously by a 32-channel EEG. Using our databases, an algorithm was developed to predict the depth of anaesthesia without incorporating EEG data. This method, based on a hidden Markov model, has been the subject of a patent application, an accepted publication and another in the process of being submitted. The algorithm can determine the state of a patient during surgery with a true positive rate of 75%. In order to improve this prediction rate, several avenues are possible, including the integration of EEG signals into the data used by the algorithm. However, in a clinical practice context, we have already mentioned that the use of a multi-channel EEG is not realistic. However, by analysing data from 32 EEG channels during general anaesthesia, we concluded that recording a single channel at the frontal level was sufficient to discriminate a patient's level of anaesthesia depth, and this has been published. Our monitoring of the modulation of the states of consciousness of anaesthetised patients continued until the third hour after the end of anaesthesia. Our aim was to investigate when the EEG returned to the awake state. Our preliminary results show that during the early awakening phase, there were homogeneous awakening trajectories across the patients' scalps. However, the following 3 hours were marked by major inter-individual differences in the disappearance of brain waves characteristic of anaesthesia. The significance of these phenomena is still unclear and is the subject of further work. In conclusion, collecting several databases during anaesthesia has allowed us to open up new avenues of research and our future work will therefore continue along three lines i) the improvement of the algorithm that determines the depth of anaesthesia, ii) the implementation of a follow-up of patients for several hours after anaesthesia, until recovery ad integrum and obtaining an EEG trace strictly identical to what it was before the anaesthesia, and iii) the application of the new methodologies of monitoring the depth of sedation in intensive care unit.